用户历史（精选七篇）
用户历史 篇1
在利用Web浏览器访问网络时, 用户留下了很多信息可用于用户兴趣的建模。我们可获得4类常用的信息 (通称为浏览历史) :历史, 书签, 页面内容和访问日志。
浏览器通常会保持用户当前和以往会话中的请求记录。全局历史存储了访问页面的标题, URL, 最初访问时间戳, 最近访问时间戳, 截止时间戳, URL访问的次数。由这些信息可知, 访问频率越高的URL越能代表用户的兴趣。
书签服务提供了用户对感兴趣的站点的快速访问, 其中的URL可认为是用户很感兴趣的内容站点。
每个页面通常包含多个指向其他站点的链接, 如果这个页面内容是用户感兴趣的, 则他将很有可能会访问此页面所包含的链接。因此, 可认为访问页面包含的链接的可能性越大则用户对页面越感兴趣。对于索引页面, 这点是非常重要的, 因为它包含了很多相关内容的链接, 所以相对于包含内容的页面, 用户的浏览时间就很短。
在访问日志中, 通常记录了HTTP请求的条目。它包含了客户端的IP地址, 时间戳, 访问方式, URL, 协议, 状态和文件大小。通过这些可计算出在每个页面上花费的时间。时间越长则用户对它的兴趣就越高, 时间短的原因也可能是由于页面内容的长度, 因此, 我们需要利用文件的长度对时间进行标准化。同时, 也存在用户在浏览页面的同时做其他的事而导致时间变得很长, 这样统计出的时间就缺乏准确性, 所以在页面浏览时间上加一个上限值 (15min) , 超出了上限值则认为是一个独立会话。
正如人类大脑会忘记事情一样, 用户兴趣模型中所有页面的兴趣度值也都会随着时间的过去而下降, 所以引入遗忘因子ForgettingFactor 来保证时间的可靠性。Time (Now) 为当前的时间, Time (StartVisit) 为首次浏览该页面的时间, Time (LastVisit) 表示最近访问该页面的时间。可得页面存储的时间用户对该页面感兴趣的时间。
由上面分析, 我们就可以得到一个用户近似衡量用户兴趣页面的模型:
Interest (page) =Frequency (page) × (1+IsBookmark (page) +AccessTime (Page) +LinkVisitPercent (page) ) ×ForgettingFactor
Frequency (page) :URL的访问次数。
TotalTime (page) 是在页面上的总浏览时间;Size (page) 页面大小;
NumberOfVisitedLinks (page) :页面里链接被访问的数量
NumberOfLinks (page) :页面所包含链接的数量。
利用这个模型来分析用户的浏览历史, 可得到一组Interest较高的页面来代表用户的主要兴趣所在。
2 聚类算法
经由用户兴趣度模型而得到的一组网页信息, 同时可能有重叠的信息, 直接用这组页面来代表用户的兴趣度就不够精确, 存在冗余。因此, 非常有必要将这组蕴含用户兴趣信息的网页进行信息处理。本文采用聚类算法来对页面进行兴趣信息重组。
对页面进行聚类处理可分为三个核心模块, 一个是页面内容的向量表示, 另一个是页面之间相似度的计算;最后就是聚类的实现。其处理过程为:原页面 (页面内容提取) ———原文本 (分词, 虚词过滤) ———文本预处理 (TF*IDF权重计算) ———相似度计算 (余弦法) ———聚类实现。
2.1 页面预处理
前三步可以通称为预处理。经过这三个步骤的处理就可以将每个页面由词向量来表示。在对所有页面的有效词进行汇总, 得到一张总词表, 把总词表里的每个词都作为向量的分量, 依据每个页面的有效词序列表, 就生成了所有页面的向量表示。
2.2 相似度计算
页面被向量化后, 就可以用数学的方法来对页面进行处理, 本文采用余弦法来计算页面间的相似度, 以词频概率计算出权重, 计算页面page (i) 和page (j) 的相似度:
2.3 聚类实现
页面的聚类是一种无监督的页面分类。它的目标是将页面集分成为若干类, 要求同一类页面的相似度尽可能大, 而不同类之间的相似度尽可能小。本文采用的是层次聚类和平面划分相结合的聚类算法。先由层次凝聚聚类确定聚类中心和K值, 再执行K-means算法。
具体做法如下:设页面集Page={p1, p2, p3, ……, pn}
(1) 将Page中每个页面视为一个单个成员的类Ci={pi}, 这些类则构成Page的一个聚类C={C1, C2, C3, ……, Cn}。
(2) 计算C中每对类之间的相似度sim (Ci, Cj) 。
(3) 设定阈值θ, 取最大的相似度max=MAX{sim (Ci, Cj) }, 如max>θ, 则Ci和Cj合并为新类CK=Ci∪Cj, 构成新的聚类集C={C1, C2, C3, ……, Cn-1}。如max<θ, 算法结束, 得到Page的K个子类的聚类C={C1, ……, Ci, ……, Ck}。
(4) 将上述得到的初始聚类中心作为K-means的聚类种子S={S1, ……, Si, ……, Sk}。
(5) 依次计算Page中每个页面与种子Si的相似度sim (pi Sj) 。
(6) 取最大相似度的种子MAX{sim (pi, Sj) }, 将pi归入以Sj为中心的类Cj。
(7) repeat (4) - (6) , 最后得到稳定的聚类结果。
3 实验分析
实验所采用的数据是实验室一个月内通过浏览器浏览网页所得到的历史信息。每个同学记录包含了500多的页面。首先对这组数据进行兴趣度分析, 得到每个用户的代表用户兴趣的网页, 再利用本文中的聚类算法, 就可以将同类兴趣的页面分为一簇, 并构成一个兴趣类别, 而该兴趣类别的有一组兴趣词条来描述, 即由构成这组页面的特征项组成。实验结果发现, 该用户最大的兴趣为求职的信息和娱乐新闻, 这两类页面数占了兴趣页面总数的48%, 表明用户对这两类资源的兴趣浓度明显高于其他类资源的兴趣度。此结论与我们采用人工分析的结果和询问该用户本人上网浏览的兴趣基本一致。
4 结束语
个性化搜索技术是目前非常流行的一种技术, 本文通过对用户浏览日志的分析, 提出了一个基于用户浏览日志的兴趣度提取模型, 并详细介绍了其中的关键技术, 满足了面对日益增长的web信息下, 不同背景不同目的和不同时期的查询请求, 针对不同用户提供不同的服务。
尽管本文提出一种个性化搜索的模型, 但是这方面的技术仍有很多值得研究和探讨之处, 归纳如下:
(1) 页面的分类和聚类技术。分类和聚类技术是个性化的基本技术, 具有能处理属于多个类的数据, 类可以互相重叠, 能进行增量处理, 能处理高维和大量数据模具有良好扩展性的算法仍需研究。
(2) 个性化的搜索引擎开发。将个性化的技术融入到常规的搜索引擎中, 提供个性化推荐等服务。
(3) 安全性的研究。如何保护好用户的兴趣知识, 保护好用户的隐私。
参考文献
[1]M J Martin-Bautista, et al.User profile and fuzzy logic for web re-trieval issues.Soft Computing, 2003:365-372.
[2]S.Mizzaro, C.Tasso, Ephemeral and persistent personalization in adaptive information access to scholarly publications on the web.Lecture Notes in computer Science.In proceedings of the second international conference on Adaptive Hypermedia and Adaptive Web-Based Systems, 2002:306-316.
[3]Tsuyoshi Murata and Kota Saito.Extracting user’s interests from web log data.Proceedings of the2006IEEE/WIC/ACM Interna-tional Conference on Web Intelligence.2006:343-346.
[4]Sule Gunduz and M.Tamer Ozsu.A user interest model for web page navigation.School of Computer Science.University of Water-loo.Waterloo, Ontario, Canada N2L3G1.{sgunduz, tozsu}@db.uwa-terloo.ca.
不断增强用户粘性 提高用户体验 篇2
用户粘性可以降低推广成本减轻推广压力，站长网admin5.com扬扬认为更重要的是用户粘性和用户体验密切相关。用户体验做的好，说明网站的用户粘性强，只有不断增强用户粘性，才能促进用户体验全面的提升，所以说想提高用户体验，必须优先考虑用户粘性，从用户粘性入手开展网站的策划优化。
了解了用户粘性的重要性，不光要懂得增强用户的粘性，更要明白用户粘性不在于你获得了多少，而在于你能否长期维持，不断增强用户粘性。如果网站的用户粘性稍有提高，便开始松懈。也许在不知不觉中你便会忽视用户粘性甚至是整个用户体验方面的建设，导致粘性下降，用户体验变差。只有不断改进，不断发现网站存在的问题，将用户粘性长期维持在较高的层次，用户体验才能不断改善，留住老用户，吸引新用户。
不断增强用户粘性需要注意以下几点问题，在网站建设中重点关注，并时刻注意改善。
要注意用户粘性的有效性
这里所说的有效性是指网站忠诚用户中也存在一些无用的用户，并不是所有的忠诚用户都对网站有用，当你看到网站的老用户不断增加，回头率越来越高的同时，要明白这些老用户中并不是所有的用户都对你有用，有些很可能是因为网站中的一些无用内容才留下来的。无效用户所占比例的多少直接揭示了你的网站存在哪里问题，比如推广方法不对效果不佳，网站内容陈旧无更新，网站内容与网站主题相关性差，产品服务用户满意度低，对用户了解太少等等，
每个留在你网站的用户都有不同的目的和体验，只有深入了解这些用户，适时的做一些有针对性的改进，用户粘性的有效性才会提高。
不能满足于现状。
有的站长网站做了一段时间，用户基础也积累了不少，老用户形成了一定的数量规模就开始沾沾自喜，认为网站的用户粘性已经足够高，不需要再做太多的工作。当你开始满足于现状之时，便是你开始忽视用户之时，虽说用户忠诚度高，会对网站用户体验，内容质量等方面的下降有一定的容忍度，但是也有一定限度，当你不重视用户，开始沉浸在seo，五花八门的推广中时，忠诚用户便很可能流失，因此无论网站发展到了什么程度，你都不能满足，更不能忽视用户。
维系老用户的同时积极接纳新用户
论坛到什么时候都是互联网上最好的交流平台，好的论坛氛围和理念很有可能形成一种论坛文化，人们在这里相识，在这里讨论共同的话题，交流分享。论坛的底蕴是由老用户积淀的，但是光有老用户也不行，人气和活力才能推动继续发展。而有很多网站和论坛在制定推广方案。销售策略，论坛版规时往往会片面的针对老用户，而对新用户置之不理，一些新用户来到网站，很有可能会因为网站对其无意间的排斥而选择离开。不管你的网站做的再好，服务再到位，如果没有新来用户所需要的东西或者让新用户不知道如何留下来，那么网站会渐渐失去活力，人气下降。特别是论坛，有些论坛过于排斥新人，对新人的规章制度太苛刻，往往新人进来会发现都是一些熟悉的老人在论坛里自high，新人根本无法涉及他们讨论的圈子。这样对论坛的发展是极为不利的。只有善待新用户，重视新用户，给新用户带来比老用户更好的用户体验，经常提出新理念，新制度，新活动，让新用户迅速融入进来，网站才能人气不断。
用户历史 篇3
金雅拓移动解决方案与服务事业部高级副总裁 Jean—Fran？ois Schreiber 表示，“针对全球各地用户对新设备和新服务的高涨热情，金雅拓设计的软件技术可帮助客户优化管理。不仅如此，近期，我们的平台为北美地区开通4G LTE 服务的无线运营商提供了值得信赖的、高效率的支持工作，使其用户尽享最佳体验。”
金雅拓的LinqUs？Advanced？OTA 平台专为所有 IP 网络（3G 和 4G）而设计。 在激活、更新或管理包括LTE 服务开通、多媒体分布、M2M 连接、WiFi 分流和 NFC 服务等高级服务时，该平台实现了 100% 的成功率、高速率和低延迟性。
用户历史 篇4
随着网络的快速发展,网上的信息量也同样以惊人的速度增长,准确地查找网上的特定信息成为搜索引擎越来越重要的要求。传统的搜索分级方法,通常通过计算网页中包含的关键字数量来计算网页与给定查询的相关程度。当用户的查询问题很清楚时,这种方法有着不错的效果。但现实中,查询问题经常是简短并且模糊的,而且网页中也包含了很多干扰信息,这些都可能造成搜索引擎的性能的下降。
使用历史点击数据为这个问题提供了一个有效的解决方案。历史点击数据包含了用户提交的查询项目,用户在相应的搜索结果页面上点击的链接或网页,以及点击时间等一些相关信息。虽然这些记录不能直接反映精确的关联程度,但是通过将一系列查询项目和网页联系起来,它们为预测用户意图提供了十分有价值的信息:首先,历史点击数据可以看作是用户对网页偏好的反映,能够最直接的评价搜索引擎的性能;其次,由于这些元数据能够与网页的其他内容整合在一起,从而降低了丢失相关重要信息的风险;另外,网页与查询问题之间的关系会随着历史点击数据的积累而发展,此过程能反映随着时间变化用户对网页的偏好的改变,并能加以实时更新。
近年来,人们对历史点击数据的研究与应用逐步增多。文献[5]提出了使用SVM方法实现对历史点击数据的建模,使用分级列表中点击的相对位置作为训练数据;文献[6]提出了一种基于历史点击数据计算“平均点击位置”的方法来比较元搜索的集中方法的性能。文献[7]使用历史点击数据解决查询项目与文档项目不匹配的问题。
本文选择了使用条件随机场(CRF)方法对历史点击数据进行建模,目的在于更好的利用这些数据提高对搜索结果中用户偏好的分级,从而提高搜索引擎的性能。在以下章节中,先介绍了CRF的原理,接下来在第2章介绍了如何对历史点击数据进行建模,第3章用CRF方法与HMM方法分别进行了仿真,并对实验结果进行了分析,比较了两种实现方法的性能,最后进行了总结和展望。
1 条件随机场模型介绍
条件随机场(CRF)模型是一个在给定输入节点条件下计算输出节点的条件概率的无向图模型,该模型是在给定需要标记的观察序列的条件下,计算整个标记序列的联合概率分布,而不是在给定当前状态条件下,定义下一个状态的分布。由于标记序列的分布条件属性,让CRF可以很好拟和真实世界的数据,而在这些数据中,标记序列的条件概率是依赖于观察序列中非独立的、相互作用的特征,并通过赋予这些特征不同的权值来表示该特征的重要程度。
CRF模型定义为一个条件分布p(YX),其中X={x1,x2,…,xM}是输入观测序列,而Y={y1,y2,…,yN}为预测序列。其分布描述如下:
其中Z(x)为归一化函数:
在该分布中,使用最大似然估计方法对此模型的参数进行预测。如果特征函数fk(yt,yt-1,xt)与前一状态无关,那么它可以表示为fk(yt,xt),称作状态特征函数。特征函数可以取0或1 ,也可以取任意实值。
给定输入观测序列X后,可以使用Viterbi算法预测最大可能的标记序列Y,使它满足:
由于用户历史点击数据序列中各元素有相互联系而并非独立,而传统的分类方法如隐马尔可夫模型(HMM)一个最大的缺点就是由于其输出独立性假设,导致其不能考虑上下文的特征,限制了特征的选择,所以只能找到局部的最优值,同时也带来了标记偏置的问题,而条件随机场则很好的解决了这一问题,它并不在每一个节点进行归一化,而是所有特征进行全局归一化,因此可以求得全局的最优值。因此,使用条件随机场方法对用户历史点击数据进行建模能起到更好的预测效果。
2 建立历史点击序列模型
2.1 模型特征选取
如上文所述,用户的点击序列通常包含了很多与文档相关的隐性信息。从这些点击序列中提取了大量特征,并使用它们作为CRF链的观察数据。
表1中列出了所选取的特征。这些特征详细记录了文档被点击的位置、次数、级别以及相邻位置和相邻点击间的信息,它们为最终对文档的分级提供了重要的参考依据。以点击间距(ClickDistance)特征为例,如果用户先后点击了位置2和位置8上的链接,这种行为就暗示了在位置2和位置8之间的链接与查询的关系就相对较小。类似的,其他特征也不同程度的反映了用户点击行为与文档分级之间的关系。
2.2 建立CRF模型
用户点击序列建模主要分为两个环节:训练环节和测试环节。
在训练环节中,使用带有标记的点击数据对模型进行训练,其中标记为{很好,好,一般,差,很差}中的一个,对应实数集{5,4,3,2,1},它反映了用户对查询所得到的链接的偏好程度。在CRF模型中,使用特征向量序列Xi作为输入观测序列,该序列的元素为会话i中的第j个链接对应的特征向量xij,使用标记向量序列Yi作为模型的隐状态,其元素为特征向量xij对应的标记向量yij。
CRF模型训练完毕后,得到模型的参数集。使用隐去标记的新数据集对模型进行测试,计算与训练环节中相同查询下的会话所对应的特征向量序列X′i,将它作为模型的输入序列,通过训练模型计算对应的最大可能标记序列Y′i作为输出,将Y′i与隐去的实际标记序列进行对比,以检测训练得到的模型能否较好的预测用户对链接的偏好。
训练环节和测试环节的归纳描述如下:
CRF建模训练环节
输入:带有标记的点击序列
输出:一条训练好的CRF链
步骤1 收集一个查询对应的所有会话,计算每个会话对应的特征向量序列Xi。
步骤2 使用第一步中得到的特征向量序列训练CRF模型,将标记序列Yi作为CRF模型的隐状态。
CRF建模测试环节
输入:无标记的点击序列和训练好的CRF链
输出:预测的标记序列Y′i
步骤1 收集一个查询对应的所有会话,计算对应的特征向量序列X′i。
步骤2 使用第一步中得到的特征向量序列计算每个链接对应的最可能的标记序列Y′i。
3 实验与结果分析
3.1 实验样本与测试标准
使用一系列实际校园的网络查询会话序列作为建模的数据集,将其分为10组,每组包含100个查询,而每个查询会话记录了用户点击链接的位置,顺序,时间等信息,为了提高算法的效率,截取每个查询结果中的前10个链接作为有效对象,即只考虑用户对前10个显示链接做出的点击行为。使用其中70%的数据训练CRF模型,而剩下的30%用于测试。通过对这些信息进行处理,提取了相应的特征,并作为CRF模型的输入对其进行训练。
为了衡量CRF模型的有效性,同样使用了较为常用的HMM方法进行建模,以作为对比的基准。其建模方法与CRF方法类似。
使用了3种标准来衡量模型的有效性:
①预测正确率,即正确预测的文档数目/文档总数。
②预测平均误差,
其中,n为文档总数,lp为预测的标记值,lo为实际标记值。
③NDCG((Normalized discounted cumulative gain)
该方法常用来比较两种分级模型的性能:
其中,
ri为位置i上的链接与用户查询的相关程度,即预测标记值。MaxDCG是按照理想的分级方法对所有链接进行排序后得到的DCG值。显然,NDCG值越大,说明预测值与理想状态越接近,建模的效果也越好。
3.2 实验结果与分析
通过使用上文中预处理好的数据集,分别使用CRF方法和HMM方法进行训练得到了相应的预测模型,用它们对余下的非训练数据进行测试以检验模型的有效性。
表2列出了两种模型的预测正确率和预测平均误差。图1给出了两种模型的NDCG值比较。从实验结果的对比可以看出,对历史点击数据进行CRF建模和HMM建模都能一定程度的预测用户对搜索链接的偏好程度。CRF模型比HMM模型有更好的预测效果,其预测准确率高于70%,且各个位置上的NDCG值都普遍高于HMM模型,因此能够更好的实现对用户偏好的分级。该结果从实践角度证明,条件随机场模型能够有效避免隐马尔可夫模型对于输出独立性假设的局限性,有效地利用了用户历史点击数据之间存在的联系,求得全局的最优值,从而起到更好的预测效果。
4 结束语
提出了一种基于CRF算法对用户历史点击数据进行建模的方法,通过提取点击序列特征,使用大量数据进行训练,最终得到有效的模型以预测链接与查询的相关程度,提高对搜索结果中用户偏好的分级效果,从而达到提高搜索性能与效率的目的。通过仿真与测试,证实CRF方法能较好的对用户偏好进行预测,其效果好于传统的HMM方法。
为了更好的提高预测准确率,以后还可以进行如下工作:首先,建模用到的特征都是单个查询内的特征,可以加入查询之间的特征以进一步利用数据间的相互联系;另外,CRF建模是用最大似然标准对参数进行估计,使用“large margin”标准应该能够进一步提高预测效果。
参考文献
[1]Xue Gui-Rong,Zeng Hua-Jun,Chen Zheng.Optimizing Web SearchUsing Web Click-through Data[C].International Conference on Infor-mation and Knowledge Management,Proceedings:118-126.
[2]Zhao Min,Li Hang,Adwait Ratnaparkhi.Adapting Document Rankingto Users’Preferences Using Click-Through Data[C].Computer Science4182 LNCS:26-42.
[3]Liu Yi-qun,Fu Yu-peng.Automatic Search Engine Performance Evalu-ation with Click-through Data Analysis[C].16th International WorldWide Web Conference,2007.
[4]John Lafferty,Andrew McCallum,Fernando Pereira.Conditional Ran-dom Fields:Probabilistic Models for Segmenting and Labeling Se-quence Data[M].
[5]Joachims,T.Optimizing search engines using clickthrough data[C]//Proceedings of SIGKDD’02(2002).
[6]Oztekin B,Karypis G,Kumar V.Expert agreement and content basedreranking in a meta search environment using mearf[C]//Proceedings ofWWW’02(2002):333-344.
[7]Cui H,Wen J R,Nie J Y,et al.Probabilistic query expansion usingquerylogs[C]//Proceedings of WWW’02(2002):325-332.
[8]周俊生,戴新宇,尹存燕,等.基于层叠条件随机场模型的中文机构名自动识别[J].电子学报,2006(5).
[9]章成志,苏新宁.基于条件随机场的自动标引模型研究[J].中国图书馆学报,2008(5).
用户历史 篇5
国家药品不良反应监测体系
建设项目
药品不良反应监测系统用户手册
中科软科技股份有限公司
2011年5月
国家药品不良反应监测体系建设项目用户手册
目 录
国家药品不良反应监测体系建设项目用户手册
国家药品不良反应监测体系建设项目用户手册
国家药品不良反应监测体系建设项目用户手册
国家药品不良反应监测体系建设项目用户手册
c)在弹出的【安全设置 – Internet 区域】中，选择禁用【启用XSS筛选器】。解决在页面中无法显示智能分析报表问题。
国家药品不良反应监测体系建设项目用户手册
d)选择【启用】，【文件下载】；启用【文件下载的自动提示】。可解决无法以excel查看智能分析报表。
e)点击【确定】关闭关闭【安全设置 – Internet 区域】、【Internet 选项】。注：为保证设置生效请关闭所有IE窗口，并重新启动IE。
国家药品不良反应监测体系建设项目用户手册
国家药品不良反应监测体系建设项目用户手册
国家药品不良反应监测体系建设项目用户手册
图 5-2曾经滥用药物选择提示
3.滥用药物主要原因和场所部分，按提示选择多选框。点击“其他原因”多选框则可以填写“其他原因”输入框。案例如下：
图 5-3曾经滥用药物其他
4.尿液检测部分，如选择“未做”和“阴性”则药物检测种类不可填；如选择“阳性”则药物检测种类可填。案例如下：
图 5-4尿液检测
图 5-5尿液检测阳性选择
国家药品不良反应监测体系建设项目用户手册
5.艾滋病病毒检测和是否收治按提示选择。案例如下：
图 5-6艾滋病病毒检测与是否收治
6.本次是否
国家药品不良反应监测体系建设项目用户手册
图 5-9调查表查询列表
5.2.3 操作步骤
1.在页面上按条件填写查询调查表内容，点击“查询”按钮查询符合条件的调查表项目。
2.批量修改申请，可多选，点击表头“批量修改申请”按钮，进入批量修改申请页面，按照页面提示条件输入相应内容点击“保存”提交修改申请。
图 5-10调查表批量修改申请提交
3.导出excel，点击表头“导出excel”，弹出导出excel框。选择当前页面导出当前查询页面的数据，选择当前所有数据可按5000条每次导出相应数据。案例如下：
国家药品不良反应监测体系建设项目用户手册
图 5-11导出Excel 4.操作栏“查看”页面如下：
图 5-12调查表查看
此页面上部分调查表被调查者的基本信息，如：姓名、身份证、病历号等；下部分是被调查者的具体滥用药物情况，如：主要滥用药物、滥用药物来源、因滥用药物感染疾病等。
5.可单条删除调查表记录，逻辑删除。6.可单条提交修改申请。
7.高级查询页面。添加条件，点击“表达式”按钮生成查询表达式，点击查询执行表达式，如果数据库报错会显示在数据库操作异常框内。案例如下：
国家药品不良反应监测体系建设项目用户手册
图 5-13调查表高级查询
5.3 调查表修改申请查询
5.3.2 进入方式
点击左侧功能菜单中【药物滥用调查表管理】【调查表修改申请查询】。进入调查表修改申请查询页面。如下图所示：
图 5-14调查表修改申请查询页面
国家药品不良反应监测体系建设项目用户手册
5.3.3 操作步骤
1.表头可进行多选数据项，然后点击“删除”按钮批量删除。
5.4 修改历史查询
5.4.2 进入方式
点击左侧功能菜单中【药物滥用调查表管理】【修改历史查询】。进入修改历史查询页面。查询条件其中的操作类型为单选按钮，其他查询条件为基本的输入框，查询结果显示效果如下图所示：
图 5-15调查表修改历史查询页面
5.4.3 操作步骤
1.按页面提示条件查询相应数据项。
2.操作栏“查看”链接，点击查看操作后的调查表内容项。如下：
国家药品不良反应监测体系建设项目用户手册
图 5-16修改之前调查表查看页面
此页面上部分调查表被调查者的基本信息，如：姓名、身份证、病历号等；下部分是被调查者的具体滥用药物情况，如：主要滥用药物、滥用药物来源、因滥用药物感染疾病等。
5.5 自动审核数据列表
5.5.2 进入方式
点击左侧功能菜单中【药物滥用调查表管理】【药物滥用调查表代审核列表查询】。进入药物滥用调查表代审核列表查询页面。如下图所示：
国家药品不良反应监测体系建设项目用户手册
5.5.3 操作步骤
依据查询条件分别输入表格编号，姓名，填表日期，或者审核原因。其中审核原因为选择下拉框，其它为普通文本输入框。点击查询按钮，便可查询数据结果。点击重置按钮，查询条件数据将清空。
5.6 调查表统计分析
5.6.2 进入方式
点击左侧功能菜单中【滥用药物调查表系统分析】【统计报表分析（报告地）】。进入统计报表分析页面。如下图所示：
5.6.3 操作步骤
点击相关的链接，便可进入对应的报表统计条件查询页面。然后输入相关的查询条件，点击统计按钮，页面将跳转到相关统计数据页面。
国家药品不良反应监测体系建设项目用户手册
5.7 资料管理
5.7.2 进入方式
点击左侧功能菜单中【资料管理】【资料管理】。进入资料管理页面。如下图所示：
图 5-17资料管理页面
5.7.3 操作步骤
1.按页面提示填写相关信息可查询满足条件要求的数据。
2.点击表头“删除”按钮，删除所选数据项，支持多选。
3.点击操作栏“编辑/查看”链接，分别进入修改和查看资料此条资料页面。
国家药品不良反应监测体系建设项目用户手册
5.8 信息通讯
5.8.2 进入方式
点击左侧功能菜单中【信息通讯】【站内信息】。进入站内信息页面。如下图所示：
5.8.3 操作步骤
1>点击写信可以进入写信界面。
国家药品不良反应监测体系建设项目用户手册
2>点击发件箱可以进入发件箱界面。
5.9 共享申请
5.9.2 进入方式
点击左侧功能菜单中【数据共享管理】【共享申请】。进入共享申请页面。如下图所示：
国家药品不良反应监测体系建设项目用户手册
图 5-18共享申请列表
5.9.3 操作步骤
1.按页面提示内容可查询相关数据项。
2.点击表头“申请”按钮，进入数据共享申请页面。如下：
图 5-19添加共享申请
3.点击操作栏“查看”链接，进入查看数据共享页面。如下：
国家药品不良反应监测体系建设项目用户手册
图 5-20共享申请查看
4.点击操作栏“修改”链接，进入修改数据共享页面。如下：
图 5-21共享申请修改
数共享申请修改页面中共享申请地区、合作地区、合作机构设置为选择下拉框。其他为普通文本输入框。当点击重置按钮是，表单数据恢复默认值，点击返回按钮，页面跳转至上一页面。当点击修改按钮，数据库中的数据开始同步更新。并提示操作成功。
5.10 共享数据
5.10.2 进入方式
点击左侧功能菜单中【数据共享管理】【共享数据】。进入共享数据列表页面。如下图所示：
国家药品不良反应监测体系建设项目用户手册
图 5-22共享数据查看页面
5.10.3 操作步骤
1.按页面提示输入条件可查询对应信息。
用户历史 篇6
聚美优品高级副总裁和聚美优品品牌管理有限公司总裁
艺名河马哥，职业经理人，毕业于北京科技大学。曾就职于中华英才网、世纪佳缘交友网，任世纪佳缘交友网期间曾创造过销售奇迹。就职于聚美优品之后，见证了聚美优品三年销售额60个亿的奇迹。
在电商推广费用居高不下的情况下，创业者变为明星代言人的做法，为聚美优品节省了很大一笔广告费。而出色的娱乐营销，使聚美优品每次都获得超高的人气。2013年年初“陈欧体”的爆红，让陈欧的百度指数一度直达一线明星，聚美优品的流量也直接翻了几倍，创下了近年电商店庆营销的好成绩。继“陈欧体”之后，聚美优品又推出了微电影《女人公敌》、广告《光辉岁月——我为自己代言》，带动了电商娱乐营销的新思维。
2013年聚美优品的另一创新举动是在中国消费者协会指导下，2013年联合国内外多家化妆品品牌，共同发起成立国内首个中国化妆品真品联盟，并为每一款产品贴上防伪码，以此打击假冒化妆品，保障消费者权益。目前贴有防伪码的产品占到聚美优品销售总额的70%。
在推进真品联盟的过程中，聚美优品遇到了很多困难。化妆品电商虽然开创了化妆品售卖的新形式，但销售额还不到整个化妆品市场的25%。如果以销售额将聚美优品与整个化妆品行业来做对比，聚美优品的力量还不足以推动真品联盟改变整个化妆品行业的发展态势。因此，真品联盟在最初推进的过程中，不被化妆品同行理解，受到很多质疑甚至嘲讽，认为聚美只是在做噱头。而如何争取世界五百强的化妆品企业加入到真品联盟也是极大的挑战。聚美优品成立了5000万打假基金，以支持防伪码真品联盟打假。目前，已争取到欧莱雅集团、上海家化等超过一百家企业加入真品联盟。
另一方面，由于越来越多的用户趋向于联合购买，买化妆品的同时也想买鞋、箱包等商品。2013年聚美优品在专注于化妆品业务的基础上，在女装、女鞋、男装、服饰、箱包等第三品类方面发力，力图打造成为女性的最大购物平台。
案例工具书
三星是全球市场营销花费最多且最成功的公司。三星最成功之处在于通过营销创造潮流，它颠覆手机越做越小的趋势，引领了大屏手机新潮流。传统企业往往认为用户是因需购买，而三星却在创造“需求”，并通过整合营销将自己的想法卖给全世界。给聚美最大的启示意义在于如何创造需求。
技术指南
2013年聚美优品通过微电影、网络剧等方式，做品牌推广及自有品牌的打造。2014年聚美优品会在新媒体平台做更多的尝试，同时也在考虑拍一部与聚美品牌成长相关的电影或电视剧。聚美优品的市场营销一直由本公司自己操作，每年的营销预算及营销渠道都会根据市场的变化做调整，往往不按常理出牌。
2014工作挑战
虽然电商如火如荼，但实际上电商只在一线城市完成了1/4的“线下到线上的用户迁移”，还没有广泛深入到二三线城市。2-5年之内，电商的用户迁徙将呈稳步增长的态势。聚美未来的挑战在于，不能只靠低价抢购别人的用户，而是要真正地发展忠诚度高的用户，即如何变“抢购用户”为“发展用户”。
用户历史 篇7
前几天, 我一个朋友坚决要退出朋友网, 因为很久没上过, 却会时不时的收到来自朋友网上陌生人来加好友的信息, 作为90后的妹子, 身边已经没有几个人玩朋友网了, 大家都拿着手机上Q, 要么玩空间“说说”, 要么就是微信的朋友圈, 谁还上电脑上去玩朋友网啊!好了, 终于找到朋友网退出按钮后, 发现得退出班级后才能退出朋友网, 折腾了半天终于退出了, 世界清静了。
作为一个喜欢思考的屌丝, 我一直在想为什么没有人玩朋友网了呢, 朋友网从上线至今, 除了那个圈子惊艳了一把, 让人找到了一些从来没联系过的老同学外, 似乎就一直很暗淡很低调。我瞬间化身为一位屌丝观察者, 经过一番不入流的分析后, 我认为朋友网是到了应该退出历史舞台的时候了。
理由有一下三点
理由一:先说说腾讯的三类产品, 朋友网属于没想清楚急忙上线的阻击型产品, 现在校内陨落了, 朋友网阻击任务也完成了。
本屌丝观察者认为, 腾讯作为一个在产品上异常突出的三巨头之一, 其产品大约可以分为三类:
第一类是理想级/战略级产品, 以社交产品为主, 代表产品有QQ、QQ空间、腾讯网、微信、Q影、小Q机器人等。腾讯能成为今天的巨头, 能够挑战运营商, 能够赢得如此多网民的支持, 与这些产品息息相关, 作为一名用户, 能够这么多年免费试用QQ、微信这样卓越的社交产品, 能够看到腾讯现场展示小Q机器人这样未来级的产品与梦想时, 这一刻, 我们是佩服和爱戴腾讯的。这类产品典型特征是, 最重视用户体验, 用户粘性强, 赚钱往往排在其次。
第二类是阻击级/防御级产品, 典型代表是朋友网、腾讯微博。实话实说, 当初上线的时候, 朋友网很像校内网。这类产品的作用是阻止对手威胁到腾讯战略级核心业务, 因为马化腾总是担心被颠覆。这类产品典型特征是往往排名行业老二、有一个强大且当时风头正旺且被市场看好的竞争对手、往往是赔本生意。
这类产品往往很是尴尬, 在内部不受重视, 在外面受到压制。
第三类是用来赚钱的产品, 最重要的代表是游戏。腾讯Q1财报显示游戏占收入总额的55%。
翻开今天马化腾家族成为首富的新闻评论, 游戏业务是腾讯被骂得最惨的, 因为腾讯的用户有太多是青少年。但是实际上国内绝大多数大型互联网公司都做游戏, 新浪也想做, 只是做不好而已。
很明显, 朋友网就是这样一款防御产品。遥想当年场景, 人人网天天叫嚣和标榜“中国的Facebook”, 居然还借着Facebook的东风忽悠到上市了, 在这紧急时刻, 一向以效率著称的腾讯一紧张一激动就推出了这么一款“仿校内”产品。
可惜靠假冒开心网阻击真开心网的陈一舟, 并不是一个有理想有追求有抱负的人, 没有了王兴这个理想主义者, 人人网在急躁中未能做好产品, 在急于变现中失去了用户体验, 没有了用户, 人人网连最后一点“把妹”的作用都失去了。
人人被陈一舟带到了沟里去了, 朋友网的阻击任务也就自然而然的结束了。
理由二:腾讯有QQ空间和微信两大神器, 还投资了开心网, 朋友网功能雷同, 没有存在的价值
如前文分析, 正是因为朋友网是腾讯一时冲动的结果, 先有了产品再去分析他的定位、功能和作用, 当大家伙冷静下来的时候, 发现这玩意和QQ空间除了界面不同外, 对用户而言功能实在是太雷同了。
试想几亿用户都有QQ和QQ空间, 当大家伙在QQ空间这个“房间”正激情四射不亦乐乎热火朝天的时刻, 服务员来告诉你, 这里还有一个房间比这更好玩, 由于这个服务员窍门告知得特别频繁, 所以当时有很大一批用户去体验了下这个叫着“朋友网”的新房间。大家伙玩了一会后, 发现“朋友网”这房间和“QQ空间”除了装修有些不同外, 功能没啥区别, 不都是社交吗?我为何要在两个房间和同一群朋友同时社交呢?
于是, 慢慢的, 大家还是回到QQ空间这个房间去了, 因为QQ上的朋友都在这个房间里玩。
后来, 腾讯又投资了开心网, 这时候, 我们就更不值得朋友网存在的意义究竟是什么了。
理由三:移动社交时代来临, 微信、QQ空间和手机QQ都搭上了这艘大船, 朋友网似乎已经被腾讯、行业和用户遗忘了。
毫无疑问, 微信是腾讯移动互联网的首张船票, 然后是QQ空间和手机QQ迅速跟进, 由于产品确实做得出色, 而且各自分工略有不同, 所以这三个应用都是混的很好。微信聊语音、看朋友圈、摇一摇、高端用户还可以玩各自公众账号, 将来或许可以代替手机卡直接通话了;QQ空间是和老同学老朋友维系感情的好地方, 君不见90后玩“说说”是多么的人气爆棚;手机QQ自不必说, 移动QQ不论是闲聊还说工作都是必不可少的。
Stop, Stop, 暂停下, 朋友网哪去了?是的, 朋友网被大家伙给遗忘了, 因为不论是腾讯还是行业专家还是普通用户, 在腾讯这三大移动社交应用之间, 实在找不到朋友网的生存空隙, 还是那句话, 朋友网没有存在的意义和价值。